ADEPT: napredna gusta predikcija

Semantička analiza slika prirodnih scena na razini piksela

Rezultati

Višedomenska semantička segmentacija s preklapajućim oznakama

  • naša metoda omogućava učenje preko nekompatibilnih taksonomija
  • predlažemo predstaviti svaki označeni razred unijom disjunktnih univerzalnih razreda
  • naš model osvojio je prvo mjesto u disciplini semantičke segmentacije na natjecanju Robust Vision Challenge na ECCV 2020 te postavio stanje tehnike na skupu WildDash 2.
bevandic22wacv [bevandic22wacv]

Gusto semantičko prognoziranje združenom regresijom značajki i toka

  • gusto semantičko prognoziranje izražavamo kauzalnim odnosom između prošlosti i budućnosti
  • obogaćujemo konvolucijske značajke njihovim korelacijskim koeficijentima preko skupa diskretnih pomaka
  • naš model za razumijevanje pojedinačnih slika provodi naduzorkovanje bez preskočnih veza; zbog toga prognoziranje možemo provoditi na sažetim apstraktnim značajkama na R/32
  • metodu smo primijenili na tri zadatka guste predikcije: semantičkoj segmentaciji, segmentaciji instanci, i panoptičkoj segmentaciji
saric21tnnls [saric21tnnls]

Gusto povezani normalizirajući tokovi

  • pokazujemo kako primijeniti gusto povezivanje na normalizirajuće tokove
  • indukcijska pristranost gustog povezivanja pretpostavlja da je neke korisne značjkae lakše odrediti od drugih
  • međutim, obične preskočne veze remete bijektivnost
  • zbog toga provodimo konkatenaciju šuma kojeg smo kondicionirali prethodnim reprezentacijama
grcic21neurips [grcic21neurips]

Osnovica za polunadzirano učenje učinkovitih gustih modela

  • pokazujemo da jednosmjerna konzistencija s čistim učiteljem pobjeđuje ostale formulacije konzistentnosti (npr. konzistenciju s čistim učenikom ili dvosmjernu konzistenciju) s obzirom na generalizacijsku moć i memorijsku učinkovitost
  • predlažemo kompetitivni perturbacijski model kao kompoziciju geometrijskog izobličavanja i fotometrijskog rastresanja
  • pokazujemo da jednostavna konzistencija skalira bolje nego Mean Teacher kad god imamo više oznaka ili više neoznačenih podataka
  • eksperimente provodimo na učinkovitim modelima zbog njihove važnosti za primjene u stvarnom vremenu na ugradbenim računalima.
grubisic22arxiv [grubisic21mva]